Esempi di matrici di confusione.
Uno strumento, quattro richieste. Ogni disegno qui sotto è un risultato reale.
Cos'è una matrice di confusione.
Una matrice di confusione è una tabella per valutare un modello di classificazione. Le righe rappresentano la classe reale e le colonne la classe prevista. Ogni cella conta quante volte il modello ha prodotto quel risultato reale rispetto a quello previsto.
La diagonale contiene le classificazioni corrette. Le celle fuori diagonale mostrano gli errori specifici, come i ticket di fatturazione inviati al supporto tecnico. Da questi conteggi puoi calcolare accuratezza, precisione, richiamo, specificità e punteggio F1.
- Engine
- echarts-heatmap
- Editable
- Describe the change
- Export
- SVG · PNG · PDF
Chi usa le matrici di confusione.
Esaminano quali classi vengono confuse da un modello di instradamento prima di modificare le feature o le soglie.
Discutono le approvazioni errate e i falsi avvisi in un modello di screening delle frodi.
Collegano i conteggi di classificazione ad accuratezza, precisione e richiamo in forma visiva.
Come creare una matrice di confusione in tre passaggi.
Descrivilo
Basta un paragrafo per iniziare.
Guarda il disegno
Realizzato con il motore più adatto.
Indica cosa cambiare
Ogni modifica viene salvata come versione.
Domande frequenti
Cos'è una matrice di confusione?
Una matrice di confusione è una tabella delle prestazioni di un modello di classificazione. Conta le classi reali rispetto a quelle previste, distinguendo le predizioni corrette da ogni tipo di errore.
Come si legge una matrice di confusione?
Leggi la diagonale come l'insieme delle predizioni corrette e le celle fuori diagonale come errori. I valori elevati fuori diagonale identificano le classi che il modello confonde più spesso.
Una matrice di confusione può avere più di due classi?
Sì. Un modello con N classi usa una matrice N per N, con una riga e una colonna per ogni classe.
Quali metriche posso calcolare da una matrice di confusione?
Tra le metriche più comuni ci sono accuratezza, precisione, richiamo, punteggio F1 e specificità. La metrica appropriata dipende dal tipo di errore più importante.
Altri diagrammi per lo stesso lavoro.
Crea subito una matrice di confusione.
Account gratuito, nessuna carta. Fornisci i conteggi delle classi reali e previste.
Apri l'editor